计算机与数字工程
計算機與數字工程
계산궤여수자공정
COMPUTER & DIGITAL ENGINEERING
2014年
9期
1713-1716
,共4页
经验模式分解%固有模式函数%概率神经网络%差异进化%纹理分类
經驗模式分解%固有模式函數%概率神經網絡%差異進化%紋理分類
경험모식분해%고유모식함수%개솔신경망락%차이진화%문리분류
empirical mode decomposition%IMF%probabilistic neural network%differentia evolution%texture classification
论文提出了一种基于EMD进化概率神经网络的纹理图像识别方法.首先,对原始信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;再从各IMF分量中提取主要能量特征作为进化概率神经网络的输入参数来识别纹理图像.对不同的自然纹理图像进行了实验,并将结果与小波进化概率神经网络的结果做了比较.实验结果证明,论文方法的正确识别率和识别精度高于小波进化概率神经网络.
論文提齣瞭一種基于EMD進化概率神經網絡的紋理圖像識彆方法.首先,對原始信號進行經驗模式分解,將其分解為多箇平穩的固有模式函數之和;再從各IMF分量中提取主要能量特徵作為進化概率神經網絡的輸入參數來識彆紋理圖像.對不同的自然紋理圖像進行瞭實驗,併將結果與小波進化概率神經網絡的結果做瞭比較.實驗結果證明,論文方法的正確識彆率和識彆精度高于小波進化概率神經網絡.
논문제출료일충기우EMD진화개솔신경망락적문리도상식별방법.수선,대원시신호진행경험모식분해,장기분해위다개평은적고유모식함수지화;재종각IMF분량중제취주요능량특정작위진화개솔신경망락적수입삼수래식별문리도상.대불동적자연문리도상진행료실험,병장결과여소파진화개솔신경망락적결과주료비교.실험결과증명,논문방법적정학식별솔화식별정도고우소파진화개솔신경망락.
